[发明专利]一种基于贝叶斯收缩模型融合的货量预测方法及系统

说明书

本发明实施例公开一种基于贝叶斯收缩模型融合的货量预测方法及系统。在具体实施方式中，该方法获取货量的历史数据，并根据所述历史数据建立训练数据和测试数据；根据所述训练数据和所述测试数据得到基于统计方法的货量预测模型的第一预测结果；根据所述训练数据训练基于机器学习的货量预测模型，并根据所述基于机器学习的货量预测模型和所述测试数据得到第二预测结果；根据所述训练数据得到历史数据样本协方差矩阵；根据所述基于机器学习的货量预测模型和所述训练数据得到训练数据预测误差协方差矩阵；根据贝叶斯收缩融合模型并根据第一预测结果、历史数据样本协方差矩阵、第二预测结果和训练数据预测误差协方差矩阵得到最终预测结果。

技术领域

本发明涉及物流货量预测技术领域。更具体地，涉及一种基于贝叶斯收缩模型融合的货量预测方法及系统。

背景技术

货量是物流公司的核心数据，对于物流公司来说，如果能够比较精确的对货量进行预测，一方面物流公司可以对收入有一个预估进而合理的制定一些指标，另一方面物流公司也可以通过提前安排好物流网络中的人员数量，制定相应的路由车线方案，对成本和时效进行有效的管控。总体来说，精确的货量预测可以为物流公司更好的经营管理打下基础。

对于物流公司而言，货量是一个笼统的称呼，其可以指代货物的重量，也可以指代货物的件量，视具体场景而定。例如快运网络中的货量预测一般指对货物重量的预测，常用的单位有公斤和吨等。

在物流网络中，货物在进入网络时都会登记其发送的地点和接收的地点。货物在进入网络后，网络会根据货物的发送地点对货物进行一个汇集，货物被汇集到的干线运输网络中第一个汇集点称其为始发分拨，货物被汇集到的干线运输网络中最后一个汇集点称其为目的分拨。

在货量预测中，根据统计维度一般可以分为全网货量预测和流向货量预测两种。前者可以是后者简单的累加，也可以仅按照汇总维度进行预测，其表示的是整个网络中所有的货量，适用于制定宏观指标及框架性方案；后者则是对货量从始发分拨到目的分拨的一个统计，适用于制定路由车线方案，安排各分拨人员等较细致的场景。

现有的货量预测方法主要包括基于经验方法的货量预测、基于统计方法的货量预测和基于机器学习的货量预测。基于经验方法的货量预测，顾名思义就是指人们根据信息结合知识和经验人为的给出一个预测。在大数据时代来临之前，大部分预测都基于此方法，即便在计算机发展迅速和信息数据日益爆炸的今天，数据、模型和高速计算依旧无法完全替代一些有经验的能人所给出的预测。但有经验的能人毕竟少之又少，因此该方法也无法推广普适。

基于统计方法的货量预测，由于统计方法是相当经典的货量预测方法，例如简单平均、滑动窗平均、指数平滑和ARMA(Auto-Regressive and Moving Average Model)等经典的时间序列预测方法，这些货量预测方式通常都是简单有效的预测方法，但是并不适用于高维的及时空相关的复杂数据。

基于机器学习的货量预测，包括机器学习方法及其所涵盖的深度学习方法，在处理复杂高维和非线性问题上很有优势。随着这类方法的兴起，业界开始用这类方法进行货量预测，如使用随机森林(Random Forest)及Xgboost(Exterme Gradient Boosting)等经典的机器学习，或是卷积神经网络(Convolutional Neural Networks，CNN)及贝叶斯神经网络等深度学习方法。

在实现本发明过程中，发明人发现现有技术在不同区间内的预测表现不同，如在某些区间内，某一个方法预测的误差较小；而在另一个区间内，另一个方法预测的误差较小。因此，亟待提出一种在各个区间内预测误差较小的货量预测方法。

发明内容

本发明的目的在于提供一种基于贝叶斯收缩模型融合的货量预测方法及系统，以解决现有技术存在的问题中的至少一个。

为达到上述目的，本发明采用下述技术方案：